[論文レビュー] Neural Connectivity with Hidden Gaussian Graphical State-Model

Deirel Paz-Linares, Eduardo Gonzalez-Moreira+4 more|arXiv (Cornell University)|Jan 1, 2018

Neural dynamics and brain function参考文献 89被引用数 6

ひとこと要約

本論文は、MEEGにおける非侵襲的神経結合性推定を改善するため、スパース接続性事前分布を備えた新しい周波数ドメイン線形状態空間モデル、隠れガウスグラフィカル状態モデル（HIGGS）を紹介する。体積伝導による信号漏れを是正するため、システム理論とベイズ情報理論を統合し、ヒトのSSVEPデータにおける正確な結合性再構築と、非ヒト霊長類における同時EEG/ECoG検証を実証した。

ABSTRACT

The noninvasive procedures for neural connectivity are under questioning. Theoretical models sustain that the electromagnetic field registered at external sensors is elicited by currents at neural space. Nevertheless, what we observe at the sensor space is a superposition of projected fields, from the whole gray-matter. This is the reason for a major pitfall of noninvasive Electrophysiology methods: distorted reconstruction of neural activity and its connectivity or leakage. It has been proven that current methods produce incorrect connectomes. Somewhat related to the incorrect connectivity modelling, they disregard either Systems Theory and Bayesian Information Theory. We introduce a new formalism that attains for it, Hidden Gaussian Graphical State-Model (HIGGS). A neural Gaussian Graphical Model (GGM) hidden by the observation equation of Magneto-encephalographic (MEEG) signals. HIGGS is equivalent to a frequency domain Linear State Space Model (LSSM) but with sparse connectivity prior. The mathematical contribution here is the theory for high-dimensional and frequency-domain HIGGS solvers. We demonstrate that HIGGS can attenuate the leakage effect in the most critical case: the distortion EEG signal due to head volume conduction heterogeneities. Its application in EEG is illustrated with retrieved connectivity patterns from human Steady State Visual Evoked Potentials (SSVEP). We provide for the first time confirmatory evidence for noninvasive procedures of neural connectivity: concurrent EEG and Electrocorticography (ECoG) recordings on monkey. Open source packages are freely available online, to reproduce the results presented in this paper and to analyze external MEEG databases.

研究の動機と目的

• EEG/MEGにおける体積伝導効果に起因する信号漏れという非侵襲的神経結合性推定の重大な問題に取り組むこと。
• システム理論とベイズ情報理論を神経結合性モデリングに統合する形式を構築すること。
• MEEGデータにおけるスパース神経結合性推定のための高次元周波数ドメインソルバーを構築すること。
• 非ヒト霊長類における同時EEGおよびECoG記録を用いて、手法を検証すること。
• 再現可能性およびMEEGデータベースの分析を促進するため、オープンソースツールを提供すること。

提案手法

• HIGGSは、MEEG観測方程式の背後にある隠れガウスグラフィカルモデル（GGM）として神経活動をモデル化する。
• モデルは、接続行列にスパース性を促進する事前分布を組み込んだ周波数ドメイン線形状態空間モデル（LSSM）として定式化される。
• ベイズ推論を用いて結合性推定を正則化し、体積伝導に起因する漏れを低減する。
• 周波数ドメインにおける効率的な結合性推定を可能にする高次元ソルバーが開発された。
• 頭部の体積伝導の前方モデルを用いて、神経電流をセンサースペースに投影する。
• 結合性は、スパarsityと観測されたMEEG信号との整合性を強制する制約付き最適化問題を解くことで推定される。

実験結果

リサーチクエスチョン

• RQ1 スパース接続性事前分布を備えた周波数ドメイン状態空間モデルは、EEG/MEGにおける結合性推定の漏れを低減できるか？
• RQ2 システム理論とベイズ情報理論を統合することで、非侵襲的神経接続マップの正確性は向上するか？
• RQ3 HIGGSは、同じ被験体において侵襲的に記録されたECoGと整合性のある結合性パターンを再構築できるか？
• RQ4 提案された高次元ソルバーは、複雑な体積伝導を有する現実世界のMEEGデータに対して効果的か？
• RQ5 HIGGSは、定常状態視覚誘発電位（SSVEP）パラダイムにおいて信頼性の高い結合性パターンを生成できるか？

主な発見

• HIGGSは、EEG信号における頭部の体積伝導不均一性に起因する漏れ効果を顕著に低減した。
• 非ヒト霊長類における同時EEGおよびECoG記録による検証により、従来手法よりもより正確な神経接続マップを生成した。
• ヒトのSSVEPデータにおいて、周波数ドメインで信頼性の高い結合性パターンの再構築を示した。
• 提案された高次元周波数ドメインソルバーにより、大規模神経系におけるスパース結合性の効率的かつ安定した推定が可能になった。
• 同じ非ヒト霊長類におけるECoGデータとの直接比較を通じて、非侵襲的神経結合性の確認的証明を初めて得た。
• 再現性および外部MEEGデータセットへの応用を促進するため、オープンソース実装が公開された。